1.2.1　大模型帶來的變革

人工智能正處于從“能用”到“好用”的應用落地階段，但仍處于落地初期，主要面臨場景需求碎片化、人力研發和應用計算成本高，以及長尾場景數據較少導致模型訓練精度不夠、模型算法從實驗室場景到真實場景差距較大等行業問題。而大模型在增加模型通用性、降低訓練研發成本等方面降低了人工智能落地應用的門檻。

近10年來，通過“深度學習+大算力”獲得訓練模型，已經成為實現人工智能的主流技術途徑。由于深度學習、數據和算力這3個要素都已具備，因此全球掀起了“大煉模型”的熱潮，也催生了一大批人工智能公司。

然而，在深度學習技術出現的近10年里，模型基本上都是針對特定的應用場景進行訓練的，即小模型屬于傳統的定制化、作坊式的模型開發方式。傳統人工智能模型需要完成從研發到應用的全方位流程，包括需求定義、數據收集、模型算法設計、訓練調優、應用部署和運營維護等階段組成的整套流程。這意味著除了需要優秀的產品經理準確定義需求外，還需要人工智能研發人員扎實的專業知識和協同合作能力，才能完成大量復雜的工作。

在傳統模型中，研發階段為了滿足各種場景的需求，人工智能研發人員需要設計個性定制化的、專用的神經網絡模型。模型設計過程需要研究人員對網絡結構和場景任務有足夠的專業知識，并承擔設計網絡結構的試錯成本和時間成本。

一種降低專業人員設計門檻的思路是通過網絡結構自動搜索技術路線，但這種方案需要很高的算力，不同的場景需要大量機器自動搜索最優模型，時間成本仍然很高。一個項目往往需要專家團隊在現場待上幾個月才能完成。通常，為了滿足目標要求，數據收集和模型訓練評估需要多次迭代，從而導致高昂的人力成本。

但是，這種通過“一模一景”的車間模式開發出來的模型，并不適用于垂直行業場景的很多任務。例如，在無人駕駛汽車的全景感知領域，往往需要多行人跟蹤、場景語義分割、視野目標檢測等多個模型協同工作；與目標檢測和分割相同的應用，在醫學影像領域訓練的皮膚癌檢測和人工智能模型分割，不能直接應用于監控景點中的行人車輛檢測和場景分割。模型無法重復使用和積累，這也導致了人工智能落地的高門檻、高成本和低效率。

大模型是從龐大、多類型的場景數據中學習，總結出不同場景、不同業務的通用能力，學習出一種特征和規律，成為具有泛化能力的模型庫。在基于大模型開發應用或應對新的業務場景時，可以對大模型進行適配，比如對某些下游任務進行小規模標注數據二次訓練，或者無須自定義任務即可完成多個應用場景，實現通用智能能力。因此，利用大模型的通用能力，可以有效應對多樣化、碎片化的人工智能應用需求，為實現大規模人工智能落地應用提供可能。

大模型正在作為一種新型的算法和工具，成為整個人工智能技術新的制高點和新型的基礎設施。可以說大模型是一種變革性的技術，它可以顯著地提升人工智能模型在應用中的性能表現，將人工智能的算法開發過程由傳統的煙囪式開發模式轉向集中式建模，解決人工智能應用落地過程中的場景碎片化、模型結構和模型訓練需求零散化的痛點。